Estudio Comparativo de Procesos de Difusión Asociados Con Curvas Gompertz

UNIVERSIDAD DE GRANADA
FACULTAD DE CIENCIAS
Departamento de Estadstica e Investigaci on Operativa
Estudio Comparativo de Procesos de Difusi on Asociados
con Curvas Gompertz.
Istoni da Luz SantAna
Trabajo Fin de M aster en Estadstica Aplicada
Directores
Dra. D
a
Patricia Rom an Rom an
Dr. D. Francisco de Ass Torres Ruiz
Granada, Octubre 2011
II
Indice general
Indice de guras III
Indice de cuadros VI
1. Introducci on 1
2. Curvas de Crecimiento Gompertz 5
3. Procesos asociados a la curva de Gompertz 10
3.1. Proceso propuesto por Capocelli y Ricciardi . . . . . . . . . . . . . . . . . . . . . . 10
3.1.1. Caractersticas del proceso . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2. Proceso tipo-Gompertz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2.1. Caractersticas del proceso . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4. Simulaci on 21
5. Inferencia 26
5.1. Proceso de difusi on propuesto por Capocelli y Ricciardi . . . . . . . . . . . . . . . . 26
5.2. Proceso de difusi on tipo-Gompertz . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.2.1. Aspectos Num ericos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
I
6. Aplicaci on a datos reales 41
Bibliograa 41
II
Indice de guras
2.1. Curvas de crecimiento Gompertz (Winsor) con t
0
= 0, b = 1, x
0
= 1 y x
0
= 100 . . . 7
2.2. Curvas de crecimiento Gompertz (Winsor) con t
0
= 0, b = 2, x
0
= 1 y x
0
= 100 . . . 7
2.3. Curvas de crecimiento Gompertz (Winsor) y logstica con t
0
= 0, k = 1000, r = 2, b =
0.188194, x
0
= 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4. Curvas de crecimiento Gompertz (a la izquierda la expresi on de Capocelli y Ricciardi
y a la derecha de Tan) con = 0.9, = 0.5, t
0
= 0 . . . . . . . . . . . . . . . . . . . 9
4.1. Trayectorias simuladas del proceso de Capocelli y Ricciardi para
2
= 0.0001 y
2
=
0.001, respectivamente. Distribuci on inicial degenerada. . . . . . . . . . . . . . . . 23
4.2. Trayectorias simuladas del proceso tipo-Gompertz para
2
= 0.0001 y
2
= 0.001,
respectivamente. Distribuci on inicial degenerada. . . . . . . . . . . . . . . . . . . . 23
4.3. Trayectorias simuladas del proceso de Capocelli y Ricciardi para
2
= 0.0001 y
2
=
0.001, respectivamente. Distribuci on inicial lognormal. . . . . . . . . . . . . . . . . 24
4.4. Trayectorias simuladas del proceso tipo-Gompertz para
2
= 0.0001 y
2
= 0.001,
respectivamente. Distribuci on inicial lognormal. . . . . . . . . . . . . . . . . . . . . 24
4.5. Trayectorias simuladas del proceso tipo-Gompertz (a la izquierda por soluci on n ume-
rica de la ecuaci on diferencial estoc astica y la derecha usando la transformaci on lo-
garitmica) con N = 401, h = 0.05, = 0.35, t
0
= 0,
2
= 0.007 y distribuci on inicial
lognormal (3, 0.25) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
III
5.1. Trayectorias simuladas del proceso por Capocelli y Ricciardi para
2
= 0.0001 y
2
=
0.001, respectivamente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.2. Trayectorias simuladas del nuevo proceso para
2
= 0.0001 y
2
= 0.001, respectiva-
mente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.3. Convergencia para estimaci on de por medio de
(0)
= 0.7012872 (b
(0)
= 0.4959465)
y
(0)
= 0.2324002 (b
(0)
= 0.7926289). . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.4. Trayectorias simuladas (izquierda) para el proceso propuesto por Capocelli y Ric-
ciardi y trayectoria media junto con la funci on media estimada para el proceso tipo-
Gompertz ajustado (derecha) - Caso 1. . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.8. Trayectorias simuladas (izquierda) para el proceso tipo-Gompertz y trayectoria me-
dia junto con la funci on media estimada para el proceso propuesto por Capocelli y
Ricciardi (derecha) - Caso 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
IV
6.1. Pesos de pollos de los grupos: control (dieta normal, izquierda) y grupo test (dieta con
10 % de protenas, derecha) durante tres semanas . . . . . . . . . . . . . . . . . . . 42
6.2. Pesos de pollos de los grupos de test: (dieta con 20 % de protenas, izquierda) y (dieta
con 40 % de protenas, derecha) durante tres semanas . . . . . . . . . . . . . . . . . 42
6.3. Trayectoria media y funci on media estimada para el proceso propuesto por Capoce-
lli y Ricciardi (lnea roja) y proceso tipo-Gompertz (lnea azul) de la dieta normal
(izquierda) y con 10 % de protenas (derecha) . . . . . . . . . . . . . . . . . . . . . 44
6.4. Trayectoria media y funci on media estimada para el proceso propuesto por Capocelli
y Ricciardi (lnea roja) y proceso tipo-Gompertz (lnea azul) de la dieta con 20 % de
protenas (izquierda) y con 40 % de protenas (derecha) . . . . . . . . . . . . . . . . 44
6.5. Trayectoria observada y funci on media estimada para el proceso propuesto por Capo-
celli y Ricciardi (lnea roja) y proceso tipo-Gompertz (lnea azul) para un pollo elegido
al azar de la dieta normal (izquierda) y con 10 % de protenas (derecha) . . . . . . . 45
6.6. Trayectoria observada y funci on media estimada para el proceso propuesto por Capo-
celli y Ricciardi (lnea roja) y proceso tipo-Gompertz (lnea azul) para un pollo elegido
al azar de la dieta con 20 % de protenas (izquierda) y con 40 % de protenas (derecha) 45
V
Indice de cuadros
5.1. Casos considerados para la simulaci on de trayectorias del proceso propuesto por Ca-
pocelli y Ricciardi para ajustar un proceso tipo-Gompertz. . . . . . . . . . . . . . . 35
5.2. Casos considerados para la simulaci on de trayectorias del proceso tipo-Gompertz para
ajustar un proceso de tipo propuesto por Capocelli y Ricciardi. . . . . . . . . . . . . 35
5.3. Estimaci on de los par ametros de ambos modelos a partir de las trayectorias simuladas
para el proceso de Capocelli y Ricciardi - Caso 1 . . . . . . . . . . . . . . . . . . . 35
para el proceso de tipo-Gompertz - Caso 1 . . . . . . . . . . . . . . . . . . . . . . . 36
VI
6.1. Par ametros estimados de ambos modelos en datos reales . . . . . . . . . . . . . . . 43
VII
Captulo 1
Introducci on
Las curvas de crecimiento son m etodos matem aticos generalmente empleados en el an alisis de la
evoluci on de los fen omenos de crecimiento, en los que las respuestas, en la misma unidad considerada,
se observan en el tiempo.
Los modelos utilizados para describir el crecimiento poblacional ejercen una relevante funci on en
diversos ambitos tales como: econ omico, biol ogico (evoluci on, demografa, epidemiologa, ...), m edi-
co, o ecol ogico. Actualmente, hay un considerable contigente de investigadores dedicando contnuo
esfuerzo en el intento de seguir estudiando modelos para describir los m as variados tipos de creci-
miento poblacional, cuyo inter es se origin o en el estudio de la evoluci on de los animales.
Muchas y diversas representaciones del crecimiento han sido propuestas con una amplia variedad
de curvas asociadas con modelos determinsticos describiendo el comportamiento mostrado por cada
una de ellas. Las curvas de crecimiento se clasican generalmente en curvas acotadas y no acotadas. La
m as representativa del primer grupo es la curva exponencial, que es mon otona, c oncava, y es conocida
por su forma en J. El modelo determinstico asociado con esta es el modelo malthusiano, propuesto
para representar el comportamiento patr on de poblaciones humanas. Malthus crea que estas poblacio-
nes tenian un crecimiento no acotado, cuya raz on de crecimiento dependa de la densidad poblacional.
Sin embargo, ese modelo es solamente apropiado en condiciones ideales como se demuestra en [1],
McArthur y Wilson llamaron a este tipo de fen omeno Equilibrio Natural el cual sigue el lema: La
naturaleza tiene tendencia a equilibrar las cosas y alcanzar un equilibrio arm onico. Si se dejara a
la naturaleza sola existira el equilibrio y las poblaciones permaneceran cerca de el. De hecho, en
situaciones reales, las poblaciones no crecen innitamente. Cuando la densidad poblacional se hace
1
alta, la competici on por comida, espacio, y otras fuentes naturales se hacen severas. En condiciones
de multitud, aumenta la mortalidad, las tasas de crecimiento y sobrevivencia caen y la poblaci on se
acerca de la capacidad lmite de soporte del ambito.
Este ultimo comentario lleva a considerar modelos asociados con curvas acotadas como las logsti-
ca y Gompertz. Estas curvas son conocidas por su forma en S o curvas sigmoidales, pues son mon oto-
nas y presentan un punto de inexi on donde la curva cambia su forma c oncava por la convexa. Estas
dos curvas tienen un patr on de crecimiento similar, la principal diferencia entre ellas reside en la loca-
lizaci on del punto de inexi on; las curvas Gompertz alcanzan este punto en la primera parte del ciclo
de crecimiento (35 % o 40 % del crecimiento total) mientras que la curva logstica alcanza ese punto
en la mitad del ciclo.
La curva logstica est a relacionada con el modelo determinstico descrito por Pierre F. Verhulst [2]
y desarrollada a partir del modelo malthusiano. El cambio introducido estaba basado en la postulaci on
de que el crecimiento poblacional depende no solamente de su tama no sino tambi en de la distancia de
su tama no a su capacidad m axima de soporte. Adem as, ese modelo puede ser adecuado para ajustar
datos que presentan un crecimiento acotado en el que la cota no dependa del valor inicial.
El caso de la curva Gompertz merece especial atenci on pues existen muchas expresiones de ella.
De hecho, Gompertz [3] introdujo la curva asociada al modelo de ley de mortalidad humana y la
expres o como una doble exponencial. Desde entonces, la curva ha sufrido diversos cambios y ha sido
reescrita en distintas formas para facilitar su estudio. Consecuentemente, hay varias curvas Gompertz,
con la doble exponencial siendo la caracterstica com un entre ellas. De ah que no haya un s olo modelo
determinstico asociado con esta curva.
Las curvas mencionadas anteriormente son soluciones de ciertas ecuaciones diferenciales ordina-
rias. En ese sentido, los modelos asociados son determinsticos y no tienen en cuenta las uctuaciones
o pertubaciones que pueden existir en el sistema bajo consideraci on. Estas pertubaciones pueden de-
berse a m ultiples factores, los cuales ni siempre son cuanticables o ni siquiera conocidos. Por esta
raz on, en las ultimas d ecadas el objetivo de la formulaci on del modelo ha ido dirigido a modelizar
tanto la tendencia del proceso de crecimiento como los efectos aleatorios del ambito, por medio de
ecuaciones diferenciales estoc asticas. Estas ecuaciones incluyen un t ermino de ruido en la ecuaci on
diferencial ordinaria asociada al modelo determinstico, y sus soluciones son procesos de difusi on.
El uso de modelos estoc asticos no s olo dan una explicaci on m as realista de las variables estudiadas
2
pero sino que tambi en posibilitan el estudio de otras importantes caractersticas, como por ejemplo, el
tiempo de primer paso a trav es de barreras dependientes del tiempo, y problemas relacionados.
El proceso de difusi on lognormal debe ser destacado en este contexto, asociado con el modelo
malthusiano.

Este es muy util en algunos campos de aplicaci on, tal como la Ecologa [4], [5]. En
otros campos, como la Economa, este ha sido ampliamente estudiado desde el punto de vista de la
inferencia como tambi en del de tiempos de primer paso.
Capocelli y Ricciardi en [6] introdujeron un proceso de difusi on logstico al incluir mecanismos de
regulaci on aleatorios en el modelo mathusiano; ese proceso fue posteriormente aplicado en la Biologa.
Sin embargo, este presenta una desventaja al no ofrecer una expresi on explcita de la densidad de
transici on. Ese factor hace que el estudio inferencial a partir de muestras discretas sea imposible, y
alternativas a partir de muestreo contnuo (discutido, por ejemplo, por Skiadas [7] en el caso logstico)
se han desarrollado.
Este problema motiv o a los mismos autores a introducir un nuevo proceso, modelizando un com-
portamiento similar al del caso logstico, pero sin la desventaja mencionada. El nuevo proceso est a aso-
ciado con la expresi on de la curva Gompertz
f(t) = exp
_
m
_
1 e
(tt
0
)
_
+lnx
0
e
(tt
0
)
_
, (1.1)
donde t t
0
0, m, > 0, 0 < x
0
< e
m/
, y ha sido aplicado, juntamente con el proceso logstico
al estudio de crecimiento poblacional, y tambi en a la modelizaci on de actividades neuronales, [6], [8],
[9].
Esta curva presenta la caracterstica de la independencia de su valor lmite en relaci on a su valor
inicial. Sin embargo, ocurren situaciones en la pr actica en que el fen omeno en estudio presenta un cre-
cimiento tipo Gompertz y hay disponible una muestra con diversas trayectorias, con com un patr on de
crecimiento, pero con valores iniciales distintos y un valor lmite distinto. Por esta raz on, en Guti errez-
J aimez at al [10] se introduce un modelo estoc astico capaz de ajustarse a situaciones que presentan
ese tipo de comportamiento. Este proceso est a asociado con la expresi on de la curva Gompertz
f(t) = x
0
exp
_
_
1 e
(tt
0
)
_
_
, t t
0
0 (1.2)
El principal objetivo de ese trabajo es realizar un estudio comparativo de los procesos de difusi on
3
existentes asociados a distintas expresiones de la curva Gompertz, incluyendo sus procedimientos de
simulaci on e inferencia. El Captulo 2 describe las curvas de crecimiento Gompertz, en el Captulo 3
se muestra como se obtienen los procesos de difusi on estoc asticos asociados a estas curvas y sus prin-
cipales caractersticas. Un estudio de simulaci on se aborda en el Captulo 4, destacando la diferencia
entre el proceso considerado por Capocelli y Ricciardi y el propuesto por Guti errez-J aimez et al.. Un
estudio inferencial de los par ametros de los procesos se contempla en el Captulo 5. Finalmente, en el
Captulo 6 se considera una aplicaci on a datos reales.
4
Captulo 2
Curvas de Crecimiento Gompertz
El nombre de la curva de crecimiento de Gompertz, procede del matem atico Benjamin Gompertz.
En junio de 1825, Gompertz escribi o al matem atico Francis Baily ofreci endole un artculo para la Real
Sociedad de Matem aticos de Londres, que trataba sobre la naturaleza de la expresi on de la funci on de
la ley de mortalidad humana, y sobre una nueva forma de determinar el valor de lo que el denomi-
naba Life contigences (y que se puede traducir por imprevistos de la vida). Este artculo [3] era la
continuaci on de otro suyo sobre el mismo tema y que haba sido publicado anteriormente por dicha
sociedad.
En dicho artculo Gompertz introdujo la siguiente funci on
L
x
= dg
q
x
, (2.1)
con
lng =
mq
a
1 q
r
q = p
1/r
m = lnL
a
lnL
a+r
d =
L
a
ln =
m
1 q
r
,
donde por L
x
not o el tama no de la poblaci on en el instante x, por a el instante inicial, por r la unidad
de salto considerada en el tiempo y por p la raz on de la progresi on geom etrica que hay entre el n umero
de personas vivas en el tiempo.
5
Durante mucho tiempo, la curva de Gompertz ha sido s olo de inter es en el campo de seguros. En
concreto, a partir de la publicaci on del artculo de Charles P. Winsor [11] donde se ha indicado su uti-
lidad y limitaciones como curva de crecimiento, esta ha sido desarrollada en dicho campo. El motivo
que impuls o a Winsor a realizar este estudio era el creciente inter es despertado en varios autores que
utilizaban a esta curva como curva de crecimiento para el estudio de fen omenos en el campo de bio-
loga y de la economa. Por ejemplo, a nos m as tarde, Laird [14], tras estudiar algunos tumores durante
un tiempo suentemente amplio, concluy o que el modelo exponencial no era totalmente adecuado
para la descripci on del crecimiento de los mismos (a pesar de que siempre se pens o que el crecimiento
de los tumores en condiciones ideales segua dicho modelo) y que un modelo exponencial modicado
podra explicar mejor el crecimiento observado, por lo que propuso el modelo Gompertz.
Hay una multitud de opciones a la hora de dar una expresi on a la curva Gompertz. Esto es debido
a que se asign o este nombre a una gran variedad de curvas que tienen en com un ser dobles exponen-
ciales, como en la versi on de la curva escrita por Winsor [11]. Para ello, considerando
d = k, g = e
e
a
, q = e
b
,
obtuvo la expresi on
f(t) = ke
e
abt
, t R
con k > 0 y b > 0, en cuyo caso k es el valor lmite de la curva cuando t tiende a innito, veric andose
f(t) k, t R.
Restringi endose a valores t t
0
0 y llamando x
0
= f(t
0
) > 0, la expresi on queda
f(t) = kexp
_
ln
_
x
0
k
_
e
b(tt
0
)
_
, t t
0
(2.2)
con b > 0 y k > x
0
> 0.
Esta curva es mon otona creciente, acotada y presenta un punto de inexi on (en el rango de valores
de t considerados) si k > x
0
e, en cuyo caso es
_
lnln
k
x
0
b
+t
0
,
k
e
_
6
donde pasa de ser convexa a c oncava siendo, por tanto, una curva sigmoidal. La cota k es constante
e independiente del valor inicial como se muestra en las guras 2.1 y 2.2. Se nota que el par ametro b
inuye en la rapidez con que la curva alcanza la cota.
Figura 2.1: Curvas de crecimiento Gompertz (Winsor) con t
0
= 0, b = 1, x
0
= 1 y x
0
= 100
Figura 2.2: Curvas de crecimiento Gompertz (Winsor) con t
0
= 0, b = 2, x
0
= 1 y x
0
= 100
Las curvas logstica y Gompertz tienen un crecimiento similar, residiendo su principal diferencia
en el porcentaje de crecimiento (en relaci on con la cota) cuando se alcanza el punto de inexi on. De
hecho, en el caso de considerar t R, la curva logstica alcanza la mitad de su crecimiento total en el
punto de inexi on, mientras que la Gompertz lo alcanza aproximadamente en el 37 %. En el caso que
se considera t t
0
, estos porcentajes dependen de x
0
, siendo respectivamente
50
_
1
x
0
kx
0
_
% y aproximadamente 37
_
1
x
0
kx
0
_
%
como se puede observar en la gura 2.3.
7
Figura 2.3: Curvas de crecimiento Gompertz (Winsor) y logstica con t
0
= 0, k = 1000, r = 2, b =
0.188194, x
0
= 1
En la literatura sobre el estudio de modelos de crecimiento han surgido otras expresiones de la
curva Gompertz. Por ejemplo, Capocelli y Ricciardi [6] usaron
f(t) = exp
_
(1 e
(tt
0
)
) +lnx
0
e
(tt
0
)
_
, t t
0
0 (2.3)
con >0 y 0 < x
0
< e
/
. Esta expresi on surge mediante una reescritura de (2.2) con k = e
/
y
b = .
Dicha curva es, evidentemente, sigmoidal, con cota e
/
independente del valor inicial y presenta
un punto de inexi on (en el rango de valores considerados) si x
0
< e
/1
, en cuyo caso es
_
_
ln
_
lnx
0
_
+t
0
, e
1
_
_
.
Por otro lado, Skiadas [12] consider o la expresi on
f(t) = exp
_
lnx
0
e
(tt
0
)
_
, t t
0
0
con > 0 y 0 < x
0
< 1, que es una particularizaci on de la curva 2.3 en el caso = 0.
Por ultimo, Tan [13], al introducir el proceso Gompertz de nacimiento y muerte, consider o la
expresi on
f(t) = x
0
exp
_
_
1 e
(tt
0
)
_
_
, t t
0
0 (2.4)
8
con , > 0 y x
0
> 0, la cual se puede obtener a partir de (2.2) tomando k = x
0
e
/
y b = .
Esta curva es sigmoidal, con cota k = x
0
e
/
y punto de inexi on
_
ln
+t
0
, x
0
e
1
_
En ese caso, la cota depende del valor inicial como se puede apreciar en la siguiente gr aca.
Figura 2.4: Curvas de crecimiento Gompertz (a la izquierda la expresi on de Capocelli y Ricciardi y a
la derecha de Tan) con = 0.9, = 0.5, t
0
= 0
La principal diferencia entre los dos tipos de curvas es el valor lmite de estas: en la curva propuesta
por Capocelli y Ricciardi ese valor es independente del valor inicial, mientras que en el segundo caso
existe una dependencia entre valores inicial y lmite.
Laird [14], [15] ajust o la curva de Gompertz (2.4) para describir el crecimiento no s olo de tumores
sino tambi en de organismos normales durante el crecimiento. Ajustes de la curva de Gompertz tam-
bi en fueron utilizados para discribir el crecimiento de fetos humanos [16], de peces [17], de tumores
experimentales [18], dentre otros crecimientos poblacionales [19].
9
Captulo 3
Procesos asociados a la curva de
Gompertz
Este captulo presenta una revison de los procesos de difusi on asociados a las curvas de crecimien-
to Gompertz mencionadas en el captulo anterior.
3.1. Proceso propuesto por Capocelli y Ricciardi
Debido a la imposibilidad de obtener soluci on exacta para las ecuaciones de difusi on del proceso
logstico, cuando la intensidad del ruido no se anula, Capocelli y Ricciardi [6] introdujeron un modelo
de crecimiento de poblaciones en entornos aleatorios cuyo inter es reside en que, por un lado, el modelo
retiene las principales caractersticas de la ecuaci on de difusi on del proceso logstico en el sentido de
que, en ausencia de ruido, se reduce a una ley de crecimiento muy similar a la ley logstica, y por
otro lado, en esta ocasi on el modelo puede ser obtenido de forma exacta (en concreto, su funci on
de densidad de transici on) para valores arbitrarios de la intensidad de ruido
2
. Este nuevo modelo
estoc astico es lo que surge asociado al modelo determinstico de la curva Gompertz (2.3).
Partieron del proceso lognormal [4], modicaron su media innitesimal, incluyendo un t ermino
proporcional a xlnx y mantuvieron igual la varianza innitesimal, obteniendo la siguiente ecuaci on
de Fokker-Planck
f
t
=

x
[( lnx)xf] +

2
2
2
x
2
[x
2
f], 0 < x < (3.1)
10
cuya soluci on, en ausencia de ruido y con condici on inicial lim
tt
0
f(x, t|x
0
, t
0
) = (x x
0
) es
f(x, t|x
0
, t
0
) =
_
x exp
_
_
1 e
(tt
0
)
_
+lnx
0
e
(tt
0
)
__
,
lo que implica
x(t) = exp
_
_
1 e
(tt
0
)
_
+lnx
0
e
(tt
0
)
_
.
Es decir, el tama no de la poblaci on est a especicado de forma unica en cualquier instante de tiempo
por la curva de crecimiento Gompertz introducida por Capocelli y Ricciardi (2.3), cuyo comportamien-
to es muy similar a la curva logstica.
La principal diferencia con el modelo logstico es la sustituici on, en la media innitesimal, del
t ermino proporcional a x
2
por un t ermino proporcional a xlnx. Ello conduce a un crecimiento m as
r apido para valores grandes de x.
Interpretando
2
, como el coeciente de intensidad del ruido Gaussiano (t), el procedimiento
anterior es equivalente a considerar la ecuaci on de Langevin
dx(t)
dt
= x(t)[1 (x(t), t)] (3.2)
donde, (x(t), t) es la funci on de regulaci on que implica algunos cambios en la tasa de crecimiento
con el tama no de la poblaci on y con el tiempo, siendo una funci on de regulaci on particular para este
caso
(x, t) =

lnx
1
(t).
Tambi en el procedimiento es equivalentemente a considerar la ecuaci on determinstica de creci-
miento Gompertz
dx(t)
dt
= x(t) x(t)lnx(t), , > 0
x(t
0
) = x
0
,
11
y sustituir la tasa de crecimiento por +(t), donde (t) es un proceso Gaussiano delta-correlado
de media cero y densidad espectral
2
, dando lugar a la ecuaci on diferencial estoc astica
dX(t) = ( lnX(t))X(t)dt +X(t)dW(t)
cuya soluci on es un proceso de difusi on {X(t) : t t
0
0} con valores en (0, ) y momentos
innitesimales
A
1
(x, t) = mx xlnx; m, > 0 A
2
(x, t) =
2
x
2
(3.3)
siendo m = o m = +

2
2
seg un se haya considerado, en la resoluci on de la ecuaci on, la integral
estoc astica de It o o de Stratonovic, respectivamente. A este proceso se denominar a proceso de difusi on
Gompertz propuesto por Capocelli y Ricciardi.
Este proceso ha sido objeto de estudio por diversos autores. Nadi [20] obtuvo resultados sobre
inferencia, lo extendi o al caso multivariante y consider o una versi on no homog enea a partir de la in-
troducci on de funciones dependientes del tiempo en los momentos innitesimales del proceso. G omez
y Buenda [21] han estudiado la versi on de It o de este proceso Gompertz destacando que el proceso
lognormal puede obtenerse como un caso particular de el. Skiadas, en [7] y [12], consider o un proceso
estoc astico Gompertz particular. Finalmente, Guti errez et al. [22] y [23] propusieron m etodos alterna-
tivos para la obtenci on de la versi on no homog enea del proceso Gompertz introducido por Capocelli
y Ricciardi y Guti errez et al. [24] y realizaron un estudio sobre inferencia en procesos Gompertz de
tipo no homog eneo mediante muestreo discreto.
Dado el inter es en este modelo, se presenta a continuaci on un breve resumen de algunas de sus
caractersticas
3.1.1. Caractersticas del proceso
Funci on de densidad de transici on
f(x, t|y, s) =
1
x
_
2
2
2
(1 e
2(ts)
)
exp
_
_
_
_
1
2
[lnx lnye
(ts)
_
m
2
2
_
(1 e
(ts)
)]
2
2
2
(1 e
2(ts)
)
_
_
_
_
, t s (3.4)
12
es decir X(t)|X(s) = y, t s, se distribuye seg un una ley lognormal
[X(t)|X(s) = y]
_
lnye
(ts)
+
_
m

2
2
_
(1 e
(ts)
);

2
2
(1 e
2(ts)
)
_
(3.5)
En lo que sigue, se considera como distribuci on inicial la lognormal X(t
0
) (
0
,
2
0
). El caso
de la distribuci on inicial degenerada, P[X(t
0
) = x
0
] = 1, es un caso particular con
0
= lnx
0
y
2
0
= 0.
Distribuci on marginal unidimensional
X(t)
1
(, ), t t
0
donde
=
0
e
(tt
0
)
+
_
m

2
2
_
_
1 e
(tt
0
)
_
=

2
2
_
1 e
2(tt
0
)
_
+
2
0
e
2(tt
0
)
Distribuci on marginal bidimensional
(X(t), X(s))
2
(, ), t, s t
0
donde
=
_
_
_
0
e
(tt
0
)
+
m
2
2
(1 e
(tt
0
)
)
0
e
(st
0
)
+
m
2
2
(1 e
(st
0
)
)
_
_
_
=
_
_

11

12
21

22
_
_
11
=

2
2
(1 e
2(tt
0
)
) +
2
0
e
2(tt
0
)
12
=
21
=

2
2
(e
|ts|
e
(tt
0
)
e
(st
0
)
) +
2
0
e
2(tt
0
)
e
2(st
0
)
13
22
=

2
2
(1 e
2(st
0
)
) +
2
0
e
2(st
0
)
Funci on Media
E[X(t)] = exp
_
0
e
(tt
0
)
+
_
m
2
2
_
(1 e
(tt
0
)
)
+
1
2
_
2
2
(1 e
2(tt
0
)
) +
2
0
e
2(tt
0
)
__
, t t
0
Funci on Media Condicional. Dado s y x
s
E[X(t|s)] = exp
_
s
e
(ts)
+
_
m

2
2
_
(1 e
(ts)
)+
+
1
2
_
2
2
(1 e
2(ts)
) +
2
0
e
2(ts)
__
, t > s t
0
Funci on Moda
M
o
(t) = exp
_
0
e
(tt
0
)
+
_
m
2
2
_
(1 e
(tt
0
)
)
2
2
[1 e
2(tt
0
)
]
2
0
e
2(tt
0
)
_
, t t
0
Funci on Moda Condicional. Dado s y x
s
M
o
(t|s) = exp
_
s
e
(ts)
+
_
m

2
2
_
(1 e
(ts)
)
2
2
[1 e
2(ts)
]
2
0
e
2(ts)
_
, t > s t
0
Funci on Cuantil
C
(t) = exp
_
0
e
(tt
0
)
+
_
m
2
2
_
(1 e
(tt
0
)
)
+z
1
_
2
2
[1 e
2(tt
0
)
]
2
0
e
2(tt
0
)
_
, t t
0
14
donde z
1
es el - esimo cuantil de una distribuci on normal est andar.
Funci on Cuantil Condicional. Dado s y x
s
C
(t|s) = exp
_
s
e
(ts)
+
_
m

2
2
_
(1 e
(ts)
)+
+z
1
2
2
[1 e
2(ts)
]
2
0
e
2(ts)
_
, t > s t
0
Funci on Varianza
V ar[X(t)] =
_
E[X(t
0
)
2
]exp
_
2
2
(1 e
2(tt
0
)
) +
2
0
e
2(tt
0
)
_
E[X(t
0
)]
2
_
exp
_
e
(tt
0
)
+ 2
_
m

2
2
_
(1 e
(tt
0
)
) +

2
2
(1 e
2(tt
0
)
) +
2
0
e
2(tt
0
)
_
, t t
0
Funci on Covarianza
R(t, s) = Cov[X(t), X(s)] = exp
_
0
_
e
(tt
0
)
+e
(st
0
)
_
+
m

2
2
_
2 e
(tt
0
)
e
(st
0
)
_
+
1
2
_
2
2
_
2 e
2(tt
0
)
e
2(st
0
)
_
+
2
0
_
e
2(tt
0
)
+
+e
2(st
0
)
___
_
exp
_
2
2
_
e
|ts|
e
(tt
0
)
e
(st
0
)
_
+
2
0
e
(tt
0
)
e
(st
0
)
_
1
_
, t, s t
0
15
3.2. Proceso tipo-Gompertz
La motivaci on del estudio del modelo tipo-Gompertz se justica en aplicaciones en las cuales el
fen omeno a ser modelado presenta un crecimiento tipo-Gompertz, donde el valor lmite depende del
valor inicial (curva 2.4b). Se busca por un proceso cuya soluci on de la ecuaci on de Fokker-Planck, sin
ruido, sea tal curva y que permita describir situaciones donde:
el fen omeno estudiado puede ser modelado por un proceso estoc astico contnuo en el tiempo y
espacio;
la variable en consideraci on presenta tendencia siguiendo una curva del tipo-Gompertz cuyo
lmite dependa del valor inicial;
el principal objetivo es hacer inferencia sobre la tendencia del proceso.
La soluci on de la ecuaci on de primer orden
f
t
=

x
[me
t
xf], m, > 0
con la condici on inicial lim
tt
0
f(x, t|x
0
, t
0
) = (x x
0
) es
f(x, t|x
0
, t
0
) =
_
x x
0
exp
_
m
(e
t
0
e
t
)
__
,
que implica que la poblaci on bajo consideraci on crece de acuerdo con la funci on
f(t) = x
0
exp
_
m
(e
t
0
e
t
)
_
, t t
0
0, m, > 0 y x
0
> 0. (3.6)
Se considera la ecuaci on de Fokker-Planck del proceso de difusi on lognormal homog eneo con
densidad de probabilidad de transici on f y momentos innitesimales A
1
(x) = mx y A
2
(x) =
2
x
2
(m, > 0),
f
t
=

x
[mxf] +

2
2
2
x
2
[x
2
f], 0 < x <
y se cambia la media innitesimal multiplic andola por el t ermino e
t
( > 0), y obteniendo la
ecuaci on adelantada
16
f
t
=

x
[me
t
xf] +

2
2
2
x
2
[x
2
f], 0 < x < , m, > 0
de un nuevo proceso de difusi on con momentos innitesimales
A
1
(x, t) = me
t
x m, > 0 A
2
(x, t) =
2
x
2
(3.7)
De forma alternativa, se puede considerar la ecuaci on de Langevin
dX(t)
dt
= me
t
X(t) +X(t)(t), (3.8)
donde (t) es un ruido blanco con varianza
2
. Esa ecuaci on puede ser expresada en la forma
dX(t)
dt
= mX(t)[1 (X(t), t)],
donde (x, t) = 1 e
t
1
m
(t) es la conocida funci on de regulaci on que impone en el sistema
diversos cambios en la tasa de crecimiento en el tiempo.
Al reescribir (3.7) en los t erminos usuales de las ecuaciones diferenciales estoc asticas, se tiene
dX(t) = me
t
X(t)dt +X(t)dW(t), (3.9)
donde W(t) denota el proceso Wiener est andar, cuya soluci on es un proceso de difusi on no-homog eneo
{X(t); t t
0
} tomando valores en R
+
y con momentos innitesimales
A
1
(x, t) = h(t)x
A
2
(x, t) =
2
x
2
donde h(t) = me
t
o h(t) = me
t
+

2
2
seg un el m etodo de soluci on utilizado: integral de It o o
Stratonovich, respectivamente. Adem as, su funci on media, condicionada al valor inicial x
0
, es
E[X(t)|X(t
0
) = x
0
] = x
0
exp
__
t
t
0
h(s)ds
_
. (3.10)
17
Al comparar los dos resultados obtenidos con la nalidad de decidir qu e modelo satisface el obje-
tivo establecido, se tiene que cuando (3.9) se resuelve aplicando la integral de It o, el proceso obtenido
coincide con aquel cuyos momentos innitesimales son dados por (3.7).
Por otra parte, a partir de (3.10), se obtiene
E[X(t)|X(t
0
) = x
0
] = x
0
exp
__
t
t
0
me
s
ds
_
= x
0
exp
_
m
(e
t
0
e
t
)
_
,
que es la curva Gompertz, mientras que si el proceso considerado fuera aquel correspondiente a la
soluci on de Stratonovich, se tendra
E[X(t)|X(t
0
) = x
0
] = x
0
exp
__
t
t
0
_
me
s
+

2
2
_
ds
_
= x
0
exp
_
2
2
(t t
0
) +
m
(e
t
0
e
t
)
_
que no es una curva Gompertz; de hecho, esta ni siquiera es una curva acotada.
3.2.1. Caractersticas del proceso
La funci on de densidad de probabilidad de transici on del proceso puede ser obtenida buscando una
transformaci on t
= (t), x
= (x, t) que cambia su ecuaci on de Kolmogorov en aquella del proceso

Wiener. Los momentos innitesimales (3.7) verican las condiciones del teorema 1 en Ricciardi [25].
En concreto, la transformaci on es
(t) = t, (x, t) =
1
_
lnx +
m
e
t
+

2
2
t
_
,
que cambia el espacio R
+
en R y permite la obtenci on de la funci on de densidad de probabilidad de
transici on para el proceso considerado,
f(x, t|y, s) =
1
x
2
2
(ts)
exp
_
1
2
[lnx lny +
m
(e
t
e
s
) +

2
2
(t s)]
2
(t s)
2
_
, t s (3.11)
que corresponde a una distribuicon lognormal, esto es,
[X(t)|X(s) = y]
_
lny
m
(e
t
e
s
)

2
2
(t s); (t s)
2
_
. (3.12)
18
En lo que sigue, se considera como distribuci on inicial la lognormal X(t
0
) (
0
,
2
0
). El caso
de distribuci on inicial degenerada, P[X(t
0
) = x
0
] = 1, es un caso particular del anterior siendo
0
=
lnx
0
y
2
0
= 0.
Distribuci on marginal unidimensional
X(t)
1
(, ), t t
0
donde
=
0

m
_
e
t
e
t
0
_

2
2
(t t
0
)
= (t t
0
)
2
+
2
0
Distribuci on marginal bidimensional
(X(t), X(s))
2
(, ), t, s t
0
donde
=
_
_

0
+
m
_
e
t
e
t
0
_

2
2
(t t
0
)
0
+
m
_
e
s
e
t
0
_

2
2
(s t
0
)
_
_
=
2
0
I
2
+
2
_
_
t t
0
t s t
0
t s t
0
s t
0
_
_
donde I
2
denota la matriz
_
_
1 1
1 1
_
_
.
Funci on Media
E[X(t)] = E[X(t
0
)]exp
_
m
[e
t
0
e
t
]
_
, t t
0
Funci on Media Condicional. Dado s y x
s
,
E[X(t|s)] = x
s
exp
_
m
[e
s
e
t
]
_
, t > s t
0
19
Funci on Moda
Mo(t) = Moda[X(t
0
)]exp
_
m
[e
t
0
e
t
]
_
exp
_
3
2
2
(t t
0
)
_
, t t
0
Funci on Moda Condicional. Dado s y x
s
,
Mo(t|s) = x
s
exp
_
m
[e
s
e
t
] (t s)
3
2
2
_
, t > s t
0
Funci on Cuantil
C
(t) = cuantil[X(t
0
)]exp
_
m
[e
t
0
e
t
]
_
exp
_
2
2
(t t
0
) +z
1
_
_
2
(t t
0
) V ar[ln(X(t
0
))]
_
V ar[ln(X(t
0
))]
_
_
, t t
0
donde z
1
es el - esimo cuantil de una distribuci on normal est andar.
Funci on Cuantil Condicional. Dado s y x
s
C
(t|s) = cuantil[X(s)]exp
_
m
[e
s
e
t
]
_
exp
_
2
2
(t s) +z
1
_
_
2
(t s) V ar[ln(X(s))]
_
V ar[ln(X(s))]
_
_
t > s t
0
Funci on Varianza
V ar[X(t)] =
_
E[X(t
0
)
2
]e
2
(ts)
E[X(t
0
)]
2
_
exp
_
2m
_
e
s
e
t
_
_
, t t
0
Funci on Covarianza
R(t, s) = Cov[X(t), X(s)] = V ar[X(s)]exp
_
m
_
e
s
e
t
_
_
, t s
20
Captulo 4
Simulaci on
Tras presentar los procesos y sus principales caractersticas, realizamos simulaciones de trayecto-
rias con el objetivo de visualizar los comportamientos de los procesos y compararlos.
El procedimiento de simulaci on est a basado en algoritmos deducidos de la soluci on num erica de la
ecuaci on diferencial estoc astica relacionada con cada proceso [26],[27]. El algoritmo para el proceso
Gompertz considerado por Capocelli y Ricciardi, con momentos innitesimales A
1
(x, t) = mx
xlnx y A
2
(x, t) =
2
x
2
(m, > 0) es
x
n+1
= x
n
_
1 + (m lnx
n
)h +Z
1n
+

2
2
(Z
2
1n
h)
+Z
1n
h
_
m lnx
n

2
2
_
+
h
2
2
_
(m lnx
n
)(m lnx
n
)

2
2
(m lnx
n
)
_
+Z
2n
2
2

_
+Z
3n
2
(m lnx
n
) +

3
2
_
1
3
Z
3
1n
Z
2n
_
+

2
2
(Z
1n
Z
2n
Z
3n
)(m lnx
n
2)
+

2
2
(Z
2
1n
h
1
2
h
2
Z
3n
Z
1n
Z
2n
)
_
m lnx
n

2
2
_
+

4
4
_
1
6
Z
4
1n
Z
3n
Z
1n
Z
2n
__
, n = 0, , N 1,
mientras para el proceso tipo-Gompertz
21
x
n+1
= x
n
_
1 +h
_
me
tn
1
2
2
_
+Z
1n
_
+me
tn
h
1
2
3
h
_
+
1
2
h
2
_
m
2
e
2tn
me
tn
me
tn
2
+
1
4
4
_
+Z
2
1n
_
1
2
1
4
4
h +
1
2
2
me
tn
h
_
+
1
6
3
Z
3
1n
+
1
24
4
Z
4
1n
_
, n = 0, , N 1.
En ambos casos, h es el paso de integraci on, x
n
= X(t
n
) y (Z
1n
, Z
2n
) (, ) con =
_
_
0
0
_
_
,
_
_
h h
2
/2
h
2
/2 h
3
/3
_
_
.
Z
3n
no sigue una distribuci on normal, pero podr a ser aproximada, para peque nos valores de h, por
una variable con distribuci on normal con media cero y varianza
h
4
12
siendo esta incorrelada con Z
1n
y
Z
2n
.
Los algoritmos anteriores son iterativos, y por eso un valor inicial, x
0
, de la distribuci on inicial
es imprescindible. Como se consideran dos tipos de distribuciones iniciales para cada proceso, se
simulan trayectorias en ambos casos, distribuci on degenerada y lognormal. En cada caso, se obtienen
5 trayectorias, con h = 0.1, N=101, t
0
= 0, = 0.45, m=1 y se considera dos valores para
2
, 0.001
y 0.0001 con la nalidad de estudiar la variabilidad. Para la distribuci on inicial degenerada se toma
x
0
como 1.5 mientras que para el caso lognormal se considera una variable (0, 1). Las gs. 4.1 y
4.2 muestran las simulaciones obtenidas para el proceso de Capocelli y Ricciardi y el proceso tipo-
Gompertz, respectivamente, para la distribuci on inicial degenerada. El caso lognormal se muestra en
las gs. 4.3 y 4.4.
De los resultados obtenidos se puede destacar
En el caso de distribuci on inicial degenerada, ambos procesos presentan comportamientos simi-
lares. Estas situaciones son comunes en casos donde haya disponible solamente una trayectoria
muestral.
Para el caso de distribuci on inicial lognormal, caso apropiado cuando se dispone de m ultiples
trayectorias muestrales con distintos valores iniciales, en el proceso de Capocelli y Ricciardi,
22
Figura 4.1: Trayectorias simuladas del proceso de Capocelli y Ricciardi para
2
= 0.0001 y
2
= 0.001,
respectivamente. Distribuci on inicial degenerada.
Figura 4.2: Trayectorias simuladas del proceso tipo-Gompertz para
2
= 0.0001 y
2
= 0.001, respec-
tivamente. Distribuci on inicial degenerada.
las curvas tienden a un valor com un, mientras que para el proceso tipo-Gompertz dicho valor
depende del valor inicial.
Por consiguiente, ambos procesos son adecuados para el ajuste de fen omenos en que las m ultiples
trayectorias observadas presentan un comportamiento similar con un valor inicial com un, mientras
el proceso tipo-Gompertz ser a m as adecuado cuando el valor lmite se diferencia entre trayectorias.
Cuando las distintas trayectorias parten de distintos valores iniciales se usar a un modelo u otro depen-
diendo de si el valor lmite depende del inicial o no.
Una alternativa m as sencilla de procedimiento de simulaci on del proceso tipo-Gompertz puede
23
Figura 4.3: Trayectorias simuladas del proceso de Capocelli y Ricciardi para
2
= 0.0001 y
2
= 0.001,
respectivamente. Distribuci on inicial lognormal.
Figura 4.4: Trayectorias simuladas del proceso tipo-Gompertz para
2
= 0.0001 y
2
= 0.001, respec-
tivamente. Distribuci on inicial lognormal.
ser aplicada al considerar la transformaci on Y (t) = ln[X(t)], siendo X(t) el proceso de difusi on
tipo-Gompetz {X(t); t
0
t T} tomando valores en R
+
y con momentos innitesimales
A
1
(x, t) = me
t
x
A
2
(x, t) =
2
x
2
siendo > 0.
En virtud del lema de It o, la ecuaci on (3.9) cambia a
24
Figura 4.5: Trayectorias simuladas del proceso tipo-Gompertz (a la izquierda por soluci on n umerica
de la ecuaci on diferencial estoc astica y la derecha usando la transformaci on logaritmica) con N = 401,
h = 0.05, = 0.35, t
0
= 0,
2
= 0.007 y distribuci on inicial lognormal (3, 0.25)
dY (t) =
_
me
t

2
2
_
dt +dW(t)
Y (t
0
) = ln(c)
cuya soluci on es
Y (t) = ln(c) +
m
_
e
t
0
e
t
_

2
2
(t t
0
) + (W(t) W(t
0
))
donde {W(t); t [t
0
, T]} es un proceso Weiner est andar y c una variable aleatoria positiva.
La gura 4.5 presenta 10 trayectorias simuladas del proceso tipo-Gompertz, generadas por ambos
los procedimientos, con distribuci on inicial lognormal(3, 0.25), siendo los dem as par ametros: N =
401, h =0.05, t
0
= 0, m =1.5, = 0.35 y
2
=0.007. Como se puede vericar, se cumple la esperada
similaridad entre los resultados obtenidos por los dos procedimientos.
25
Captulo 5
Inferencia
En este captulo se aborda la estimaci on m aximo verosimil de los procesos Gompertz considerados.
Para ellos, se supone que se dispone de observaciones del proceso, discretas en el tiempo, basadas en
d curvas muestrales en los tiempos t
ij
(i = 1, , d; j = 1, , n
i
) con t
i1
= t
1
, i = 1, , d. Esto
es, se observa las variables X(t
ij
), con los siguientes valores {x
ij
}
i=1, ,d;j=1, ,n
i
que componen la
muestra para el estudio inferencial.
La funci on de verosimilitud depende de la elecci on de la distribuci on inicial. Cuando P[X(t
1
) =
x
1
] = 1 esa funci on es L
x
ij
(m, ,
2
) =

d
i=1
n
i
j=2
f(x
ij
, t
ij
|x
i,j1
, t
i,j1
) donde m, y
2
son
los par ametros a ser estimados. Si X(t
1
) (
1
,
2
1
) la verosimilitud es L
x
ij
(
1
,
2
1
, m, ,
2
) =
d
i=1
f(x
i1
)
n
i
j=2
f(x
ij
, t
ij
|x
i,j1
, t
i,j1
).
En el segundo caso, hay dos par ametros adicionales que deben ser incluidos en el procedimiento
de estimaci on. Adem as, se puede comprobar que las estimaciones de
1
y
2
1
dependen solamente
de los valores iniciales y no inuencian en la estimaci on de los otros par ametros. Por lo tanto, los
estimadores de m axima verosimilitud de m, y
2
son los mismos en ambos los casos.
A partir de ahora, se considera el caso general en que la distribuci on inicial es la lognormal.
5.1. Proceso de difusi on propuesto por Capocelli y Ricciardi
De acuerdo con [28], se considera el proceso de difusi on Gompertz, denido por Capocelli y Ric-
ciardi, [X(t); t
0
t T], tomando valores en R
+
, con momentos innitesimales como en (3.3) y
26
funci on de densidad probabilidad (f.d.p) de transici on (3.4).
Denotando por
a = m

2
2
, T
=
1 e
(ts)
_
(1 e
2(ts)
)
y considerando la transformaci on en la variable x(t)|x(s) = y (t > s),
x
[lnx e
(ts)
lny]
_
1 e
2(ts)
la f.d.p. de transici on puede ser expresada como
f(x
, t|y, s) =
1
2
exp
_
[x
aT
]
2
2
_
(5.1)
Para simplicar los c alculos, se propone una transformaci on de los valores x
ij
por medio de v
i1
=
x
i1
y
v
ij
[lnx
ij
e
(t
ij
t
i,j1
)
lnx
i,j1
]
_
1 e
2(t
ij
t
i,j1
)
, i = 1, , d; j = 1, , n
i
.
A partir de (5.1), y denotando por n =
d
i=1
n
i
y v
, el vector conteniendo los valores v

ij
, la
funci on log-verosimilitud para la muestra transformada es
lnL
v
(
1
,
2
1
, a, ,
2
) =
n
2
ln(2)
d
2
ln
2
1

n d
2
ln
2
2
1
d
i=1
[v
i1
1
]
2
2
d
i=1
n
i
j=2
[v
ij
T
ij
]
2
a partir de la cual, las estimaciones por MV de
1
y
2
1
son

1
=
1
d
d
i=1
lnx
i1
,

2
1
=
1
d
d
i=1
(lnx
ij

1
)
2
Tras derivar la funci on log-verosimilitud con respecto a a,
2
y , y igualando las derivadas a cero,
se obtiene el siguiente conjunto de ecuaciones
27
d
i=1
n
i
j=2
[v
ij
aT
ij
]v
ij
= 0 (5.2)
d
i=1
n
i
j=2
[v
ij
aT
ij
]
2
=

2
(n d)
2
(5.3)
d
i=1
n
i
j=2
[v
ij
aT
ij
]
d
d
[v
ij
aT
ij
] = 0 (5.4)
Denotando por
X
1,
=
d
i=1
n
i
j=2
v
ij
T
ij
, X
2,
=
d
i=1
n
i
j=2
(T
ij
)
2
, X
3,
=
d
i=1
n
i
j=2
(v
ij
)
2
,
Y
1,
=
d
i=1
n
i
j=2
v
ij
d
d
v
ij
, Y
2,
=
d
i=1
n
i
j=2
v
ij
d
d
T
ij
,
Y
3,
=
d
i=1
n
i
j=2
T
ij
d
d
v
ij
, Y
4,
=
d
i=1
n
i
j=2
T
ij
d
d
T
ij
,
y, tras algunas simplicaciones, a partir de las ecuaciones (5.2) y (5.3), se obtiene
a
=
X
1,
X
2,
y
2
=
2
nd
_
X
3,

X
2
1,
X
2,
_
mientras que de (5.4) se tiene
Y
1,
a
Y
2,
a
Y
3,
+a
2
Y
4,
= 0.
Esa ultima ecuaci on no tiene una soluci on explcita, de modo que la estimaci on de debe ser
obtenida por m etodos num ericos. Las estimaciones de a y
2
son entonces a = a y
2
=
2
, respec-
tivamente, mientras que la estimaci on por MV de m es m = a +
2
/2.
Para validar la estrategia propuesta arriba, se considera dos casos de simulaciones, cada una con
10 trayectorias simuladas, obtenidas de acuerdo con lo descrito en el captulo 4. En ambos casos, se
toma m = 1, = 0.45, t
0
= 0, y una distribuci on inicial (0.1,0.5), h = 0.05. La unica diferencia entre
28
Figura 5.1: Trayectorias simuladas del proceso por Capocelli y Ricciardi para
2
= 0.0001 y
2
=
0.001, respectivamente.
los dos casos est a en los valores del par ametro
2
, en el primero se ha tenido
2
= 0.0001, mientras
que en el segundo,
2
= 0.001. La Fig. 5.1 muestra las trayectorias simuladas.
El procedimiento de estimaci on desarrollado anteriormente proporciona, para el primer caso, =
0.4496442, m = 0.999703,
2
= 0.00009911273, mientras que para el segundo = 0.4429853, m =
0.9834784,
2
= 0.0009675484.
5.2. Proceso de difusi on tipo-Gompertz
En este contexto, Guti errez-J aimez et al [10] consideran la densidad de transici on del proceso tipo-
Gompertz reescrita como
f(x
ij
, t
ij
|x
i,j1
, t
i,j1
) =
1
x
ij
_
2
2
(t
ij
t
i,j1
)
_
_
1
2
[ln
x
ij
x
i,j1
+a(b
t
ij
b
t
i,j1
) +

2
2
(t
ij
t
i,j1
)]
2
(t
ij
t
i,j1
)
2
_
_
,
donde a =
m
, b = e
y k =
d
i=1
n
i
. Por lo tanto, la funci on log-verosimilitud muestral es
29
lnL
x
ij
(
1
,
2
1
, a, b,
2
) =
d
i=1
_
lnx
i1
+
1
2
ln(2) +
1
2
ln
2
1
+
[lnx
i1

1
]
2
2
2
1
+
n
i
1
2
ln(2) +
n
i
1
2
ln
2
+
n
i
j=2
lnx
ij
+
1
2
n
i
j=2
ln(t
ij
t
i,j1
)
+
1
2
n
i
j=2
[ln
x
ij
x
i,j1
+a(b
t
ij
b
t
i,j1
) +

2
2
(t
ij
t
i,j1
)]
2
(t
ij
t
i,j1
)
2
_
_
=
d
2
ln
2
1

k
2
ln(2)
k d
2
ln
2
i=1
lnx
i1
1
2
2
1
d
i=1
[lnx
i1

1
]
2
i=1
n
i
j=2
lnx
ij

1
2
d
i=1
n
i
j=2
ln(t
ij
t
i,j1
)
1
2
d
i=1
n
i
j=2
[ln
x
ij
x
i,j1
+a(b
t
ij
b
t
i,j1
) +

2
2
(t
ij
t
i,j1
)]
2
(t
ij
t
i,j1
)
2
.
Los estimadores de MV de
1
y
2
1
se obtienen a partir de las ecuaciones de verosimilitud
0 =
lnL
=
1
2
1
d
i=1
(lnx
ij
)
0 =
lnL
2
1
=
d
2
2
1
+
1
2
4
1
d
i=1
(lnx
ij
)
2
resultando en

1
=
1
d
d
i=1
lnx
i1
,
2
1
=
1
d
d
i=1
(lnx
ij

1
)
2
Tras derivar la funci on log-verosimilitud con respecto a a,
2
y b, y igualando las derivadas a cero,
se obtiene el siguiente conjunto de ecuaciones
d
i=1
n
i
j=2
ln
x
ij
x
i,j1
+a(b
t
ij
b
t
i,j1
) +

2
2
(t
ij
t
i,j1
)
(t
ij
t
i,j1
)
[b
t
ij
b
t
i,j1
] = 0 (5.5)
(k d)
2
+
2
d
i=1
n
i
j=2
_
ln
x
ij
x
i,j1
+a(b
t
ij
b
t
i,j1
) +

2
2
(t
ij
t
i,j1
)
_
30
=
d
i=1
n
i
j=2
[ln
x
ij
x
i,j1
+a(b
t
ij
b
t
i,j1
) +

2
2
(t
ij
t
i,j1
)]
2
(t
ij
t
i,j1
)
, (5.6)
d
i=1
n
i
j=2
[ln
x
ij
x
i,j1
+a(b
t
ij
b
t
i,j1
) +

2
2
(t
ij
t
i,j1
)]
(t
ij
t
i,j1
)
[t
ij
b
t
i,j
1
t
i,j1
b
t
i,j1
1
] = 0 (5.7)
para las cuales no existe una soluci on explcita, y hay que recurrir a procedimientos num ericos para
encontrarla. En el caso particular t
ij
t
i,j1
= h, i = 1, , d, j = 1, , n
i
(usual en la pr actica)
las ecuaciones (5.5) hasta (5.7) quedan
A
3,b
+a(b
h
1)A
2,b
+

2
h
2
A
1,b
= 0 (5.8)
A
4,b
+a
2
(b
h
1)
2
A
2,b
+ 2a(b
h
1)A
3,b

4
h
2
4
(k d) (k d)
2
h = 0 (5.9)
A
3,b
+a(b
h
1)A
2,b
+

2
h
2
A
1,b
= 0, (5.10)
donde
A
1,b
=
d
i=1
n
i
j=2
b
t
i,j1
, A
2,b
=
d
i=1
n
i
j=2
b
2t
i,j1
, A
3,b
=
d
i=1
n
i
j=2
b
t
i,j1
ln
x
ij
x
i,j1
,
A
1,b
=
d
i=1
n
i
j=2
t
i,j1
b
t
i,j1
, A
2,b
=
d
i=1
n
i
j=2
t
i,j1
b
2t
i,j1
,
A
3,b
=
d
i=1
n
i
j=2
t
i,j1
b
t
i,j1
ln
x
ij
x
i,j1
, A
4,b
=
d
i=1
n
i
j=2
ln
2
x
ij
x
i,j1
Denotando por
C
b
=
A
1,b
A
3,b
A
1,b
A
3,b
A
1,b
A
2,b
A
1,b
A
2,b
y D
b
=
A
2,b
A
3,b
A
2,b
A
3,b
A
1,b
A
2,b
A
1,b
A
2,b
y tras algunas simplicaciones, a partir de las ecuaciones (5.8) y (5.10), se obtiene
31
a
b
=
C
b
b
h
1
y
2
b
=
2D
b
h
y sustituyendo estas expresiones en (5.9), queda la siguiente ecuaci on
A
4,b
+A
2,b
C
2
b
+ 2A
3,b
C
b
(k d)D
2
b
2(k d)D
b
= 0 (5.11)
que puede ser resuelta por m etodos n umericos y la soluci on proporcionar a la estimaci on por MV de
b. Una vez obtenido
b, la estimaci on por MV de a y
2
es a = a
b
y
2
=
2
b
.
5.2.1. Aspectos Num ericos
Debido a la complejidad en la resoluci on de la ecuaci on (5.11), procedimientos num ericos son de
gran utilidad a la hora de obtener los estimadores de MV.
Algunos de los procedimientos m as empleados con este objetivo presentan ciertas dicultades en
este contexto. Por ejemplo, las condiciones impuestas por el m etodo de Newton-Raphson pueden
no cumplirse o el m etodo de optimizaci on estoc astica, introducido por Metropolis [29], requiere un
estudio ad hoc para cada situaci on particular.
Por estas razones, Guti errez-J aimez et al. [10] proponen un procedimiento iterativo que es rela-
tivamente simple desde el punto de vista de su implementaci on y proporciona buenos resultados, al
menos empiricamente. En ese m etodo, partiendo de un valor inicial de b, y por consiguiente de a y
2
,
un nuevo valor de b es obtenido al imponer diversas restricciones del modelo. Esas restricciones son
dadas en t erminos del valor lmite o punto de inexi on, de acuerdo con la naturaleza de las trayectorias
disponibles.
Guti errez-J aimez et al. [10] sugieren el el siguiente algoritmo iterativo para estimar los par ametros
del modelo.
Para i = 0, considerar un valor inicial de b perteneciendo a (0, 1), b
(0)
. A partir de este, se
calcula
(0)
= lnb
(0)
.
Los valores a
(i)
b
y m
(i)
se obtiene por medio de las ecuaciones
a
b
(i) =
A
1,b
(i) A
3,b
(i)
A
1,b
(i)
A
3,b
(i)
((b
(i)
)
h
1)[A
1,b
(i)
A
2,b
(i) A
1,b
(i) A
2,b
(i)
]
32
m
(i)
= a
b
(i)
(i)
Dado que el valor lmite k est a determinado por k = x
0
exp
_
m
e
t
0
_
y la raz on k/x
0
es la
misma para todas las trayectorias, se obtiene un nuevo valor de solucionando
k
x
0
= exp
_
m
(i)
(i+1)
e
(i+1)
t
0
_
Claramente, a partir de
(i+1)
, se obtiene un nuevo valor b
(i+1)
.
Hacer i = i + 1 y regresar al paso 2 hasta que el criterio de convergencia sea alcanzado.
El criterio de convergencia es establece por una tolerancia entre dos valores consecutivos de b. Una
vez que los valores de
b,

y m se han calculado utilizando el algoritmo, se obtiene
2
=
2
h
A
2,
b
A
3,
b
A
2,
b
A
3,
b
A
1,
b
A
2,
b
A
1,
b
A
2,
b
Unos de los principales problemas al emplear el algoritmo ocurre cuando no hay informaci on su-
ciente disponible para la obtenci on del valor k. Esta situaci on puede acontecer porque las trayectorias
no alcanzan ese valor, o porque ese hecho es desconocido. En tales casos, se ajusta, para cada trayec-
toria, una curva Gompertz para aproximar el punto de inexi on y, a partir de este, calcular su lmite.
Una vez conocido este, el algoritmo propuesto puede ser utilizado.
Para validar el algoritmo, se han considerado simulaciones de dos casos, cada uno con 10 trayecto-
rias obtenidas por medio del procedimiento n umerico mencionado en el captulo 4. En ambos casos, se
considera m = 1, = 0.45, t
0
= 0 y una distribuci on inicial (0.1; 0.5), h = 0.05. La unica diferencia
entre los dos casos ocurre al tomar
2
= 0.0001 en el primer caso, mientras que en el segundo,
2
=
0.001. La g. 5.2 muestra estas trayectorias simuladas.
Al aplicar este procedimiento se obtiene m = 1.007399,

= 0.4528066 y

2
= 0.00041396615
para la primera simulaci on, y m = 1.003416,

= 0.4593513 y

2
= 0.002031077 para la segunda,
independentemente de los valores iniciales de b considerados, alcanz andose r apidamente el criterio de
convergencia. La g. 5.3 ilustra la velocidad de convergencia para dos valores iniciales diferentes para
el primer caso. Un gr aco similar puede ser obtenido para el otro caso.
33
Figura 5.2: Trayectorias simuladas del nuevo proceso para
2
= 0.0001 y
2
= 0.001, respectivamente.
Figura 5.3: Convergencia para estimaci on de por medio de
(0)
= 0.7012872 (b
(0)
= 0.4959465) y
(0)
= 0.2324002 (b
(0)
= 0.7926289).
Por ultimo se muestra un estudio en el que se simulan trayectorias de cada uno de los modelos
considerados en el caso de distribuci on inicial degenerada y se realiza el procedimiento inferencial
con ambos modelos. El cuadro 5.1 muestra los casos considerados para la simulaci on de trayectorias
del proceso propuesto por Capocelli y Ricciardi y el cuadro 5.2 para el proceso tipo-Gompertz.
Los resultados de la estimaci on de los par ametros de ambos modelos para cada uno de los casos se
muestran en los cuadros 5.3 hasta 5.10.
Finalmente, las gr acas de 5.4 hasta 5.11 muestran las trayectorias simuladas para cada proceso de
los casos considerados junto con el ajuste realizado a trav es de la funci on media estimada por el otro
proceso.
34
Cuadro 5.1: Casos considerados para la simulaci on de trayectorias del proceso propuesto por Capocelli
y Ricciardi para ajustar un proceso tipo-Gompertz.
Caso 1 Caso 2 Caso 3 Caso 4
t
0
= 1 t
0
= 1 t
0
= 1 t
0
= 1
x
0
= 1 x
0
= 1 x
0
= 2 x
0
= 2
m = 0.5 m = 0.5 m = 0.5 m = 0.5
= 0.1 = 0.1 = 0.1 = 0.1
2
= 0.0001
2
= 0.001
2
= 0.001
2
= 0.0001
Cuadro 5.2: Casos considerados para la simulaci on de trayectorias del proceso tipo-Gompertz para
ajustar un proceso de tipo propuesto por Capocelli y Ricciardi.
Caso 1 Caso 2 Caso 3 Caso 4
t
0
= 1 t
0
= 1 t
0
= 1 t
0
= 1
x
0
= 1 x
0
= 1 x
0
= 2 x
0
= 2
m = 0.5 m = 0.5 m = 0.43 m = 0.43
= 0.1 = 0.1 = 0.1 = 0.1
2
= 0.0001
2
= 0.001
2
= 0.001
2
= 0.0001
Cuadro 5.3: Estimaci on de los par ametros de ambos modelos a partir de las trayectorias simuladas
para el proceso de Capocelli y Ricciardi - Caso 1
Par ametros Cap. y Ric. Tipo-Gompertz
0.10032776 0.09050879
m 0.5012016 0.5573749
2
9.979897e-05 0.00010754
0.09895983 0.09853124
m 0.4930724 0.5338034
2
0.0009967 0.00010207
35
0.09985334 0.09999508
m 0.4993912 0.5411252
2
9.951437e-05 0.00010775
0.10148894 0.09971902
m 0.5059519 0.5540476
2
0.00099193 0.00100672
para el proceso de tipo-Gompertz - Caso 1
0.09844316 0.1005565
m 0.4497074 0.50368888
2
0.00010087 9.934567e-05
0.0993827 0.1011798
m 0.4404458 0.513465
2
0.00100652 0.00098279
0.09770512 0.09974743
m 0.4521775 0.4281346
2
0.0001055 0.00010016
36
0.0919852 0.1010006
m 0.4221889 0.4288515
2
0.00102247 0.00100512
Figura 5.4: Trayectorias simuladas (izquierda) para el proceso propuesto por Capocelli y Ricciardi y
trayectoria media junto con la funci on media estimada para el proceso tipo-Gompertz ajustado (dere-
cha) - Caso 1.
cha) - Caso 2.
37
cha) - Caso 3.
cha) - Caso 4.
38
Figura 5.8: Trayectorias simuladas (izquierda) para el proceso tipo-Gompertz y trayectoria media junto
con la funci on media estimada para el proceso propuesto por Capocelli y Ricciardi (derecha) - Caso
1.
Figura 5.9: Trayectorias simuladas (izquierda) para el proceso tipo-Gompertz y trayectoria media junto
con la funci on media estimada para el proceso propuesto por Capocelli y Ricciardi (derecha) - Caso
2.
39
Figura 5.10: Trayectorias simuladas (izquierda) para el proceso tipo-Gompertz y trayectoria media
junto con la funci on media estimada para el proceso propuesto por Capocelli y Ricciardi (derecha) -
Caso 3.
Figura 5.11: Trayectorias simuladas (izquierda) para el proceso tipo-Gompertz y trayectoria media
junto con la funci on media estimada para el proceso propuesto por Capocelli y Ricciardi (derecha) -
Caso 1.
40
Captulo 6
Aplicaci on a datos reales
El siguiente ejemplo est a basado en estudios presentados en D.Hand [30] sobre algunos aspectos
relacionados con el crecimiento de pollos seg un el tipo de dieta empleada: grupo control (dieta normal)
y 3 grupos de tests (con 10 %, 20 % y 40 % de consumo diario de protenas). En las guras 7.1 y 7.2 se
muestran los pesos (en gramos) de 12 pollos sometidos a la dieta normal, 8 a las dietas con 10 %y 40 %
de protenas y 9 a la dieta con 20 %de protenas. Dichos valores se midieron durante 20 das, siendo los
registros efectuados en das alternados. Las trayectorias empiezan en diferentes valores, presentando
un eventual comportamiento sigmoidal y, debido a su observaci on en un espacio limitado de tiempo,
no es posible comprobar la realci on de dependencia entre el valor lmite y el inicial. Para dichos datos
hemos ajustado los dos modelos presentados en este trabajo y las estimaciones se muestran en el
cuadro 6.1
En las guras 6.3 y 6.4 se muestran, para cada uno de los grupos, la trayectoria media junto con
la funci on media estimada para cada uno de los modelos. Por ultimo, en las gr acas 6.5 hasta 6.6 se
muestras ajustes para un pollo seleccionado al azar de cada uno de los grupos.
41
Figura 6.1: Pesos de pollos de los grupos: control (dieta normal, izquierda) y grupo test (dieta con
10 % de protenas, derecha) durante tres semanas
Figura 6.2: Pesos de pollos de los grupos de test: (dieta con 20 % de protenas, izquierda) y (dieta con
40 % de protenas, derecha) durante tres semanas
42
Cuadro 6.1: Par ametros estimados de ambos modelos en datos reales
Dieta Dist. Inicial Par ametros Cap. y Ric. Tipo-Gompertz
0.05969421 0.1692359
m 1.012224 0.876143
Normal (3.73, 0.0005)
2
0.02233137 0.02133294
0.2814738 0.3387744
m 2.108977 1.119149
10 % (3.7, 0.0015)
2
0.01441911 0.01292343
0.1798126 0.2297303
m 1.788601 1.171902
20 % (3.71, 0.0005)
2
0.01488797 0.01376218
0.42381615 0.4487877
m 2.884523 1.340474
40 % (3.71, 0.0007)
2
0.01322819 0.01209855
43
Figura 6.3: Trayectoria media y funci on media estimada para el proceso propuesto por Capocelli y
Ricciardi (lnea roja) y proceso tipo-Gompertz (lnea azul) de la dieta normal (izquierda) y con 10 %
de protenas (derecha)
Figura 6.4: Trayectoria media y funci on media estimada para el proceso propuesto por Capocelli y
Ricciardi (lnea roja) y proceso tipo-Gompertz (lnea azul) de la dieta con 20 %de protenas (izquierda)
y con 40 % de protenas (derecha)
44
Figura 6.5: Trayectoria observada y funci on media estimada para el proceso propuesto por Capocelli
y Ricciardi (lnea roja) y proceso tipo-Gompertz (lnea azul) para un pollo elegido al azar de la dieta
normal (izquierda) y con 10 % de protenas (derecha)
Figura 6.6: Trayectoria observada y funci on media estimada para el proceso propuesto por Capocelli
y Ricciardi (lnea roja) y proceso tipo-Gompertz (lnea azul) para un pollo elegido al azar de la dieta
con 20 % de protenas (izquierda) y con 40 % de protenas (derecha)
45
Bibliograa
[1] R.H.McArthur y E.O.Wilson The theory of island biogeography. 1967: Prindceton University
Press, New Jersey.
[2] P.F.Verhulst Notice sur la loi que la population pursuit dans son accroissement. Correspondance
Math ematique, 10: 113-121. 1838.
[3] B.Gompertz On the nature of the function expressive of the law of human mortality, and on a
new mode of determining the value of Life Contingencies. Philosocal Transaction of the Royal
Society, 123:513-585. 1825.
[4] R.M.Capocelli y L.M.Ricciardi A diffusion model for population growth in random environment,
Theor. Popul. Biol. 5,28. 1974.
[5] L.M.Ricciardi On the conjecture concerning population growth in random environment, Biol,
Cybern. 32, 95. 1979.
[6] R.M.Capocelli, L.M.Ricciardi Growth with regulation in random enviroment. Kybernetik, 15:
147-157. 1974.
[7] C.H.Skiadas, A.N.Giovanis, I.Dimoticalis A sigmoidal stochastic growth model derived from the
revised exponential. Jansen, J. y Skiadas, Ch. (Eds.): Proceedings of the Tenth International
Symposium on A.S.M.D.A. World Scientic. 1993.
[8] L.M.Ricciardi Diffusion Processes and Related Topics in Biology. 1977: Springer, Berlin.
[9] L.M.Ricciardi, L.Sacerdote, S.Sato Diffusion approximation and rst-passage-time problem for
a model neuron II. Outline of a computation Method, Math. Biosci. 64:29. 1983
46
[10] R.G. Guti errez-J aimez, P.Rom an, D.Romero, J.J.Serrano, F.Torres A new Gompertz-type diffu-
sion process with application to random growth, Mathematical Biosciences, 208.147-165. 2007:
Elsevier.
[11] C.P.Winsor The Gompertz curve as a growth curve. Proceedings of the National Academy of
Sciences, 18: 1-8. 1932.
[12] C.H.Skiadas, A.N.Giovanis, I.Dimoticalis Investigation of stochastic differential models: the
Gompertzian case. Selected topics on stochastic modelling. 1994: Guti errez-Valderrama(eds.)
World Scientic.
[13] W.Y.Tan A stochastic Gompertz birth-death process. Statistics y Probability Letters, 4:25-28
1986.
[14] A.K.Laird Dynamic of tumour growth: comparison of growth rates and extrapolation of growth
curve to one cell. British Journal of Cancer, 19:278-291. 1965.
[15] A.K.Laird Dynamic of relative growth. Growth, 29:249-263.1965.
[16] J.A.McCredite el al The rate of tumor growth in animals. Growth, 29:331-347. 1965.
[17] R.P.Silliman Comparison between Gompertz and von Bertalanffy curves for expressing growth
in weights of shes. Journal of the Fisheries Research Board of Canada, 26:161-165. 1969.
[18] L.Simpson-Herren y H.H.Lloyd Kinetic parameters and growth curves for experimental tumor
systems. Cancer Chemotherapy Reports Part 1, 54. 1970.
[19] P.Rom an-Rom an, D.Romero, F.Torres-Ruiz A diffusion process to model generalized von Berta-
lanffy growth patterns: Fitting to real data. Journal of Theoretical Biology 263, 59-69. 2010.
[20] A. Nadi Difusiones lognormales con factores ex ogenos en tendencia y coeciente de difusi on.
PhD tesis, Universidad de Granada 1997.
[21] J. G omez y F. Buenda Una generalizaci on de los procesos estoc asticos lognormal y de Gompertz
como procesos de It o. Q uestii o, 25(3):392-414 2001.
[22] R.Guti errez, N.Rico, P.Rom an, D.Romero y F.Torres Obtenci on de procesos de difusi on no ho-
mog eneos a partir de esquemas discretos. Proceedings del decimoseptimo congreso nacional de
la S.E.I.O. (L erida), 4274-4279). 2003.
47
[23] R.Guti errez, N.Rico, P.Rom an, D.Romero, F.Torres Obtenci on de un proceso de difusi on no ho-
mog eneo a partir de modelos de crecimiento. Proceedings del decimoseptimo congreso nacional
de la S.E.I.O. (L erida), 4280-4287. 2003.
[24] R.Guti errez, A.Nadi, R.Guti errez-S anchez, P.Rom an, F.Torres Inference in Gompertz type
non homogenous stochastic systems by means of discrete sampling. Cybernetic and Systems,
36(1):1-14. 2005.
[25] L.M.Ricciardi On the transformation of diffusion process into the Wiener process. J. Math. Anal.
Apple. 54:184 1976.
[26] N.J.Rao, J.D.Borwankar, D.Ramkrishna, Numerical solution of Ito integral equations. 12.124.
1974: SIAM J. Control Optim.
[27] P.E.Kloeden, E.Platen, H.Schurz, Numerical Solution of SDE Through Computer Experiments.
1994: Springer, Berlin.
[28] G.Albano, V.Giorno, P.Rom an-Rom an, F.Torres-Ruiz, Inferring the effect of therapy on tumors
showing stocastic Gompertzian growth. Journal of Theoretical Biology 276:67-77. 2011.
[29] N.A. Metropolis, M. Rosenbluth, A. Rosenbluth, A. Teller, Equation of state calculations by fast
computing machines, J. Chem. Phys. 21.1087. 1953.
[30] D.Hand, M.Crowder, Practical Longitudinal Data Analysis. Cuadro A.2. 1996: Chapman and
Hall.
48

Estudio Comparativo de Procesos de Difusión Asociados Con Curvas Gompertz

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Estudio Comparativo de Procesos de Difusión Asociados Con Curvas Gompertz

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD DE GRANADA

Indice de guras III

= (x, t) que cambia su ecuaci on de Kolmogorov en aquella del proceso

, el vector conteniendo los valores v

Vous aimerez peut-être aussi